Karpathy propose d'adapter le format des réponses des LLM à la tâche

Andrej Karpathy suggère que le texte brut n'est pas toujours l'interface idéale pour interagir avec les grands modèles de langage. Il préconise d'utiliser des formats variés, tels que des diagrammes, des pages HTML interactives ou des vidéos explicatives.
Andrej Karpathy revient avec une nouvelle idée : le texte brut n'est pas toujours la meilleure interface pour interagir avec les grands modèles de langage.
Dans son post, il a suggéré de demander aux modèles de répondre dans le format qui correspond le mieux à la tâche :
- Explications textuelles : utiliser ASD-STE100, une norme anglaise contrôlée initialement développée pour la documentation technique aéronautique. Son vocabulaire limité et sa structure de phrase rendent les réponses plus claires ; Karpathy demande parfois au modèle de suivre cette norme « à environ 80 % » afin que le texte ne devienne pas un manuel aride.
- Visuels plutôt que longs textes : demander un diagramme ou une image.
- Pages interactives : pour les sujets plus complexes, générer une page HTML avec des visualisations et des animations.
- Vidéos ponctuelles : la prochaine étape que Karpathy juge particulièrement prometteuse est une vidéo explicative pour une question spécifique, par exemple dans le style de 3Blue1Brown avec une narration via ElevenLabs.
L'idée va au-delà des prompts spécifiques : si la génération de code et de contenu devient suffisamment bon marché, une seule question peut justifier la création d'une mini-application jetable, d'une visualisation ou d'une vidéo qui n'avait auparavant aucun sens économique. Selon Karpathy, à mesure que les modèles deviennent plus autonomes, la compréhension et la supervision de leur travail prendront une part croissante du temps d'une personne.
Pourquoi c'est important
AnalyseCette approche déplace l'accent de la formulation des prompts vers le format de réponse, ce qui peut améliorer la clarté et réduire le temps consacré à l'interprétation des sorties du modèle.
Discuter dans la communauté
Partagez vos questions et vos idées avec les développeurs
Lié dans l'écosystème
Guides pratiques, terminologie clé et compétences d'agents
Formats DOCX et XLSX : quand un document final complet est nécessaire avec l'IA
Guide pratique complet sur la génération et le traitement de documents DOCX et de tableaux XLSX à l'aide de l'IA : comparaison avec Markdown et CSV, ingénierie des prompts, gestion des formules et automatisation dans le code.
Format CSV : guide complet pour l'automatisation et le travail avec l'IA
Guide pratique sur l'utilisation du format CSV dans les pipelines d'IA : spécification RFC 4180, comparaison avec XLSX et JSON, nettoyage et enrichissement massif des données, codage en Python et prompts prêts à l'emploi.
Qwen-4 Max est officiellement présenté : modèle pour agents et tâches de long horizon
Qwen-4 Max est positionné comme un modèle pour les tâches agentiques et de long horizon, avec une utilisation moindre de tokens et un coût réduit par rapport à Qwen-3.8.
Qwen4-Max est disponible : 50 % moins de tokens et un coût par tâche réduit
Qwen4-Max introduit une architecture MoE, une fenêtre de contexte d’un million de tokens et une prise en charge intégrée des images.